Contextual Retrieval 是什么？为什么要为 RAG 文档切片补充上下文？

知识点详解：切片独立以后，哪些信息容易丢？

先看一段失去对象的说明

假设一份文档标题是“星河编辑器 3.0 迁移说明”，某个小节写着“旧配置需要重新导入，插件设置不自动迁移”。

切出来的片段如果只有后半句，就没有产品名称和版本。用户查询“星河编辑器 3.0 的插件配置会迁移吗”，检索系统很难只凭片段确认它讨论的对象。

这个例子中的产品与版本是假设的，用来说明指代丢失。真实资料里的章节标题、年份、适用设备和实体名称，都可能遇到同类问题。

补充内容是在什么时候加入的？

顺序应该是先切片，再为每个片段定位背景，随后建索引。不能说成“在切片之前给每个片段补背景”，因为此时片段还没有形成。

补充后用于索引的文本，可以示意成：

背景：本片段来自星河编辑器 3.0 迁移说明，
讨论旧版本配置与插件设置的迁移范围。

原文：旧配置需要重新导入，插件设置不自动迁移。

向量表示与词项索引都可以使用这份有背景的文本。背景里的产品与版本，帮助片段在检索阶段被匹配。

如果检索完成以后才加这段背景，它或许能帮助生成理解已经拿到的片段，却不能补救之前没召回它的问题。方法来源见 Anthropic 的 Contextual Retrieval 说明。

为什么不直接用全文摘要？

同一份迁移文档可能还包含安装、备份和授权变化。全文摘要会概括很多内容，但未必说明当前片段的具体对象和范围。

给“插件设置”片段补背景时，应该突出它在迁移说明中的位置；给“授权变化”片段补背景时，需要另一种定位。

所有片段贴相同的大摘要，可能增加大量重复词，还把无关主题带进当前片段。因此，关键是片段专属、简短且有依据。

如果标题和结构化元数据已经能补足背景，也不一定需要每个片段都调用大模型。可以先做成本更低的结构补充，再评测是否还有缺口。

怎样避免补错之后污染整个索引？

先给补充任务明确约束：只定位当前片段，不扩写知识，不推测缺失结论，不把其他文档的事实混进来。

然后把原始片段与生成背景分开保存，并保留文档 ID、版本、位置和生成配置。背景出了问题，可以修正并重建相关索引，而不是失去原文。

抽查重点放在版本、时间、主体与否定关系。例如“新版不再支持”如果被补成“新版支持”，关键词与向量都可能被带偏。

生成背景不是原始证据。回答引用时，要能回到具体原文，并检查补充内容没有取代原文结论。

和父子检索、扩大窗口有什么区别？

父子检索可以先用较小片段找线索，再取更大的关联内容给模型。扩大窗口则在检索结果周围补取相邻文本。

Contextual Retrieval 更早处理问题：先让进入索引的片段带有定位背景，尝试改善它被召回的机会。

这些方案可以组合，但解决阶段不同。如果小片段已经很容易召回，只是生成缺少上下文，取父文档可能更直接。要先确认问题出在哪里，再加步骤。

怎么验证它值得做？

固定切片、检索与回答配置，用一批有必要证据标注的问题，对比补背景前后的结果。重点加入跨章节指代、版本名称、省略主体和短片段问题。

除了召回，还检查无关片段是否增加、答案有没有被错误背景误导。建索引的模型调用费用、耗时和文档更新后重建范围，也要记录。

资料本来是完整独立的 FAQ 时，收益可能很有限。不要为了采用一个新方法，把已经清楚的问答再补一层生成文本。

面试官继续追问

背景里应该直接补出用户问题的答案吗？

不应该把定位背景变成未经证实的答案扩写。它帮助说明原文属于哪里，事实仍由原文提供。

文档改了一个小节，要全部重新生成吗？

先看背景是否依赖被修改的全文信息。保存版本与依赖关系，才有机会正确决定重建范围；不能只按片段文字没变就认定背景仍有效。

召回变好了，最终回答一定会变好吗？

不一定。生成可能误用证据，补充内容也可能造成混淆。因此检索与回答效果要分别验证。

面试速记卡

• 顺序是切片 → 补片段专属背景 → 建索引。
• 背景解释对象、版本与位置，不扩写新事实。
• 回答时加上下文，不能补救之前没有召回的片段。
• 原文与生成背景分开保存，引用回到原始证据。
• 父子检索与窗口扩展处理不同阶段，可以组合。
• 用自己的问题集评测收益，也记录预处理成本。